发明内容
[0005] 针对现有技术中概率地图缺少可靠更新方式的问题，本发明提供了一种仿人记忆机制的机器人概率地图更新方法，引入人类记忆遗忘规律，建立关于目标物概率的独特更新模型，并在此基础上设计重复识别时遗忘率的衰减方式，能够精确地更新概率地图，提升概率地图的实时性以应对环境的不确定性变化。
[0006] 以下是本发明的技术方案。
[0007] 一种基于仿人记忆机制的机器人概率地图更新方法，包括以下步骤：
[0008] 针对目标物建立记忆和遗忘模型，将目标物在任意位置的概率赋予记忆属性和遗忘属性，以记忆量和遗忘速率组成遗忘曲线表示目标物在该位置的概率变化曲线；当目标物被重复识别时，触发重复识别量化机制，将每一个已发现过该目标物的位置对应的剩余记忆量和新增记忆量叠加得到对应位置的阶段起始记忆量，并赋予阶段遗忘速率，其中每个位置的新增记忆量根据历史统计数据中目标物出现次数占比得出；任意时刻下目标物在每个位置的概率，为该位置记忆量占所有位置记忆量的比重。
[0009] 本发明参考了人类记忆模型，由于记忆量和概率都将随着时间流逝而减少，并且在概率地图中概率的衰减也符合上述框架，因此，本发明将概率的变化赋予了新的属性，以记忆量代替概率进行计算，最终通过记忆量之间的比重表示概率；提高了长航时动态环境下地图更新的自适应性，从而为机器人提供相对准确的概率信息。机器人在进行其他工作任务时，每次发现目标物，都会造成记忆量的更新，产生新的概率信息。新的记忆量与上阶段剩余概率的叠加共同构成了本阶段初始值。所有坐标点的概率归一化就是全局概率信息。
[0010] 作为优选，所述遗忘曲线的表达式为：
[0011] p(x,y)＝p0e‑kt,t∈(0,∞)；
[0012] 其中p(x,y)表示在对特定事物的记忆量；p0表示初始记忆量；k表示遗忘速率，t表示时间。该表达式是基于艾宾浩斯遗忘曲线，采用负指数函数拟合后得到。表示记忆量会随着时间流逝而减少，曲线整体从陡峭逐渐平缓。
[0013] 作为优选，所述阶段起始记忆量的计算方式为：
[0014]
[0015] 其中dn是本阶段的新增记忆量，kn是阶段遗忘速率，下角标n或n‑1表示对应阶段序号。由于目标物存在重复识别的情况，因此记忆量将进行同步的更新以适应动态的外部环境，另外，当一个位置发现目标物时，其余位置的记忆量也同步更新，区别在于新增记忆量的值不同。
[0016] 作为优选，所述遗忘速率的计算方式为：
[0017]
[0018] 其中b是遗忘调整系数；Δtn是相邻两次识别的间隔时间；kn是阶段遗忘速率。由于重复识别的时间间隔不同，因此遗忘速率应当是不同的，在此给出了一个合理的计算式，以最大程度帮助曲线体现出有价值的概率信息。
[0019] 作为优选，目标物在每个位置的新增记忆量dn，计算方式为i/j，其中i为直至该阶段为止该位置发现目标物的次数，j为直至该阶段为止所有位置发现目标物的次数总和。该计算式在每次重复识别时对所有位置同时启用，其不同位置的结果将出现不同，以此表示各自概率的变化。
[0020] 作为优选，所述遗忘调整系数的取值为2。当遗忘调整系数b的取值越大时，前后阶段之间遗忘速率的差距将越小，经过反复验证后，取值为2左右时最能反应出真实情况，因此以2为优选数值。
[0021] 作为优选，还包括加速遗忘机制，所述加速遗忘机制用于在预设时长内任意位置均没有再次识别到目标物时触发，包括以下步骤：对已发现过目标物的位置对应的遗忘曲线的遗忘速率进行调整，加速遗忘速率 其中kn是改动前的遗忘速率，m是加速系数，取值范围为0
[0022] 本发明的实质性效果包括：弥补了概率地图传统更新方式的不足，赋予人类记忆遗忘模型，提高长航时动态环境下地图更新的自适应性，从而为机器人提供相对准确的概率信息。
